群组分析
群组分析是一种将客户按照共同起点（通常是首次购买的月份或周）进行分组，然后跟踪该群体行为随时间演变并与其它群组进行比较的方法。它能揭示单个汇总指标平均所有客户后所隐藏的留存率、消费额和流失率趋势。
群组分析的定义
群组分析是一种理解客户行为的方法，它将用户按照共同的时间起点进行分组——最常见的是首次购买的月份或周——然后跟踪每个群体在后续月份中的表现。与查看整个客户群单一的混合留存率或消费额不同，群组分析将客户划分为不同的"群组"，从而使随时间变化的趋势变得可见：近期获客的客户是否比一年前获客的客户留存时间更长？还是说，尽管总收入因新客户获取掩盖了下降趋势而持续增长，留存率却在悄然恶化？群组分析是订阅型业务的标准分析技术，但它同样适用于电商领域，只是相关的行为通常是复购、留存或累计消费额，而非订阅续费。
群组分析的工作原理
构建群组分析首先要定义群组分组方式，最常见的是客户下首单的日历月份。每个客户根据首次购买日期被分配到一个唯一的群组。然后，针对获客后的每个月，分析计算该群组中有多大比例的客户进行了再次购买，或该群组产生了多少收入，形成一张以群组为行、“获客后月数"为列的表格。
举个例子：某店铺在1月份获得了1,000名新客户。其中280人在获客后第一个月内进行了第二次购买（第1个月），190人在第3个月仍保持活跃，140人在第6个月仍保持活跃。该店铺对其2月份群组、3月份群组等重复同样的跟踪。如果2月份群组在第1个月仍有320名客户活跃（而1月份只有280人），这就是一个有意义的信号——留存率正在改善——值得调查1月到2月之间发生了什么变化，无论是新的获客渠道、引导邮件序列还是定价调整。
为什么群组分析对电商品牌至关重要
单一的混合留存率或平均客户生命周期价值等汇总指标可能会掩盖重要趋势，因为它们对不同时间、不同条件下获客的客户行为取了平均值。整体留存数字看似稳定的店铺，实际上可能新群组的留存率在改善，而老群组的留存率在下降（正在流失），这两种情况的战略含义截然不同。群组分析使特定变化的影响变得可见且可归因：如果某个品牌在3月份更改了引导邮件序列，将3月群组的第1个月复购率与2月群组进行比较，就能比观察混合月度留存数字（新老客户混合在一起）更清晰地隔离出这一特定变化的影响。
对比表：群组分析与其他客户分析方法
| 分析方法 | 衡量内容 | 时间维度 | 最佳用途 |
|---|---|---|---|
| 群组分析 | 不同时间获客的群体如何随时间变化 | 明确，按获客期划分 | 隔离获客或产品变更的影响 |
| RFM 分析 | 某一时间点上的最近购买时间、频率、消费金额 | 快照，非时间序列 | 细分当前客户群以进行定向营销 |
| 流失率 | 一段时间内流失的客户比例 | 所有客户的汇总 | 高层级健康度检查 |
| 生命周期价值（LTV） | 每位客户的预期总收入 | 可基于群组或混合计算 | 证明获客支出的合理性 |
| 客户细分 | 共享行为或人口统计特征的群体 | 快照或持续跟踪 | 针对性的消息和优惠推送 |
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
群组分析与AI驱动型电商
群组分析主要是一种内部分析方法，而非AI购物助手直接交互的工具，但它在品牌评估这些助手带来的客户方面发挥着作用。随着越来越多购买量来自AI中介的发现（无论是通过ChatGPT Shopping、Perplexity Shopping还是AI驱动的产品推荐），品牌越来越想知道通过这些渠道获客的客户与通过传统搜索或付费社交获客的客户相比，其留存和消费行为是否存在差异。围绕获客来源（包括AI推荐流量）专门构建群组，让品牌能够直接回答这个问题，而不是通过单一的混合留存数字来猜测。
AmICited 的 eshop_get_retention 和 eshop_get_ltv 工具本身就是按获客群组设计的，跟踪每个月份的新客户随时间推移的留存和累积价值。这种结构使得比较某个包含重大AI曝光营销活动的月份的客户与前一月份客户的留存曲线变得简单直接，无需从原始订单导出数据手动构建群组逻辑。
群组分析的最佳实践
- 基于一致且有意义的起始事件来定义群组，最常见的是首次购买月份，并在整个报告期内保持该定义稳定，以确保群组之间具有可比性
- 尽可能跟踪每个群组的多个指标，例如复购率和累计消费额，因为一个群组可能留存率良好但消费额较低，反之亦然
- 将群组与特定的已知变更（新获客渠道、定价调整、引导流程更新）进行对比，而不是在没有假设的情况下仅仅观察曲线变化
- 在得出结论前给新群组足够的时间成熟，因为群组第一个月的行为并不总能预测其最终模式
- 当仅按获客月份划分无法解释差异时，进一步按获客渠道或首次购买产品对群组进行细分
群组分析常见错误
一个常见错误是从尚未成熟的群组中得出结论，比如将一个两个月大的群组的早期数据与一个一年期群组的完整轨迹进行比较，误将早期的领先或落后当作持久趋势。另一个常见问题是随时间推移对群组的定义不一致，例如在报告期间中途将获客事件从"首次购买"改为"注册日期”，这破坏了变更前后构建的群组之间的可比性。有些团队还只关注留存百分比，而不结合每个群组的收入数据，从而错过了某些群组留存率相似但每笔订单消费明显减少的情况——这种差异对生命周期价值预测有实际影响。还有一个陷阱是将单个群组的下降视为永久趋势，而不检查外部原因，例如季节性获客高峰带来了意向较低的客户，无论内部如何调整，这些客户都不可能像典型群组那样留存。最后，有些品牌构建了群组表却从未将其与获客支出联系起来，错过了最直接的用例：在了解客户的实际留存和消费模式后，确认某个渠道的客户是否值得其获取成本。